¿Cuáles son los ejemplos de métodos de análisis de datos?

El análisis de datos es el proceso de análisis de datos brutos para obtener información significativa. Estas ideas se utilizan entonces para determinar el mejor curso de acción. ¿Cuándo es el mejor momento para lanzar esa campaña de marketing? ¿Es la estructura actual del equipo tan eficaz como podría ser? ¿Qué segmentos de clientes son más propensos a comprar su nuevo producto?

En última instancia, el análisis de datos es un motor crucial de cualquier estrategia de negocio exitosa. Pero, ¿cómo los analistas de datos realmente convierten los datos brutos en algo útil? Hay una gama de métodos y técnicas que los analistas de datos utilizan dependiendo del tipo de datos en cuestión y el tipo de información que quieren descubrir. Usted puede conseguir una introducción práctica al análisis de datos en este curso corto gratuito .

En este post, vamos a explorar algunas de las técnicas de análisis de datos más útiles. Al final, tendrás una idea mucho más clara de cómo puedes transformar datos sin sentido en inteligencia de negocios. Cubriremos:

Los seis primeros métodos enumerados se utilizan para datos cuantitativos , mientras que la última técnica se aplica a los datos cualitativos. Explicamos brevemente la diferencia entre los datos cuantitativos y cualitativos en la sección dos, pero si desea saltar directamente a una técnica de análisis en particular, sólo tiene que utilizar el menú para hacer clic.

1. ¿Qué es el análisis de datos y por qué es importante?

El análisis de datos es, en pocas palabras, el proceso de descubrir información útil mediante la evaluación de los datos. Esto se hace a través de un proceso de inspección, limpieza, transformación y modelado de datos utilizando herramientas analíticas y estadísticas, que exploraremos en detalle más adelante en este artículo.

Estos datos aparecerán como estructuras diferentes, incluyendo, entre otras, las siguientes:

Big data

El concepto de big data —datos tan grandes, rápidos o complejos que es difícil o imposible procesarlos utilizando métodos tradicionales—aumentó a principios de la década de 2000. Luego, Doug Laney, un analista de la industria, articuló lo que ahora se conoce como la definición convencional de big data como las tres Vs: volumen, velocidad y variedad.

Volumen: Como se mencionó anteriormente, las organizaciones están recopilando datos constantemente. En el pasado no muy lejano habría sido un verdadero problema para almacenar, pero hoy en día el almacenamiento es barato y ocupa poco espacio.
Velocidad: Los datos recibidos deben tratarse de manera oportuna. Con el crecimiento de Internet de las Cosas, esto puede significar que estos datos están llegando constantemente, y a una velocidad sin precedentes.
Variedad: Los datos que están recopilando y almacenando las organizaciones vienen en muchas formas, desde datos estructurados, es decir, datos numéricos más tradicionales, hasta datos no estructurados, que piensan en correos electrónicos, vídeos, audio, etc. Vamos a cubrir los datos estructurados y no estructurados un poco más adelante.

Metadatos

Esta es una forma de datos que proporciona información sobre otros datos, como una imagen. En la vida cotidiana encontrará esto, por ejemplo, haciendo clic con el botón derecho en un archivo en una carpeta y seleccionando “Obtener información”, que le mostrará información como tamaño y tipo de archivo, fecha de creación, y así sucesivamente.

Datos en tiempo real

Se trata de datos que se presentan tan pronto como se adquieren. Un buen ejemplo de esto es un billete de bolsa, que proporciona información sobre las acciones más activas en tiempo real.

Datos de la máquina

Estos son datos que son producidos enteramente por máquinas, sin instrucción humana. Un ejemplo de esto podrían ser registros de llamadas generados automáticamente por su smartphone.

Datos cuantitativos y cualitativos

Los datos cuantitativos —de lo contrario conocidos como datos estructurados— pueden aparecer como una base de datos “tradicional”, es decir, con filas y columnas. Los datos cualitativos —de lo contrario conocidos como datos no estructurados— son los otros tipos de datos que no encajan en filas y columnas, que pueden incluir texto, imágenes, videos y más. Lo discutiremos más a fondo en la siguiente sección.

2. ¿Cuál es la diferencia entre los datos cuantitativos y cualitativos?

La forma en que analices tus datos depende del tipo de datos con los que estés tratando— cuantitativa o cualitativa . Entonces, ¿cuál es la diferencia?

Los datos cuantitativos son cualquier cosa mensurable , que comprende cantidades y números específicos. Algunos ejemplos de datos cuantitativos incluyen cifras de ventas, tarifas de clics por correo electrónico, número de visitantes del sitio web y aumento porcentual de los ingresos. Datos cuantitativos Las técnicas de análisis se centran en el análisis estadístico, matemático o numérico de conjuntos de datos (generalmente grandes). Esto incluye la manipulación de datos estadísticos utilizando técnicas y algoritmos computacionales. Las técnicas de análisis cuantitativo se utilizan a menudo para explicar ciertos fenómenos o para hacer predicciones.

Datos cualitativos no se puede medir objetivamente , y por lo tanto está abierto a una interpretación más subjetiva. Algunos ejemplos de datos cualitativos incluyen comentarios dejados en respuesta a una pregunta de la encuesta, cosas que la gente ha dicho durante entrevistas, tweets y otros mensajes de redes sociales, y el texto incluido en las reseñas de productos. Con el análisis de datos cualitativos, el foco está en dar sentido a los datos no estructurados (como texto escrito, o transcripciones de conversaciones habladas). A menudo, el análisis cualitativo organiza los datos en temas, un proceso que, afortunadamente, puede ser automatizado.

Analistas de datos trabajan con ambos datos cuantitativos y cualitativos , por lo que es importante estar familiarizado con una variedad de métodos de análisis. Echemos un vistazo a algunas de las técnicas más útiles ahora.

3. Técnicas de análisis de datos

Ahora estamos familiarizados con algunos de los diferentes tipos de datos, vamos a centrarnos en el tema en cuestión: diferentes métodos de análisis de datos.

a. Análisis de la regresión

El análisis de regresión se utiliza para estimar la relación entre un conjunto de variables. Al llevar a cabo cualquier tipo de análisis de regresión , usted está buscando para ver si hay una correlación entre una variable dependiente (que es la variable o resultado que desea medir o predecir) y cualquier número de variables independientes (factores que pueden tener un impacto en la variable dependiente). El objetivo del análisis de regresión es estimar cómo una o más variables podrían afectar a la variable dependiente, con el fin de identificar tendencias y patrones. Esto es especialmente útil para hacer predicciones y pronosticar tendencias futuras.

Imaginemos que trabaja para una empresa de comercio electrónico y que desea examinar la relación entre: (a) cuánto dinero se gasta en marketing en redes sociales, y (b) ingresos por ventas. En este caso, los ingresos por ventas son su variable dependiente, es el factor que más le interesa predecir e impulsar. El gasto en redes sociales es tu variable independiente; quieres determinar si tiene o no un impacto en las ventas y, en última instancia, si vale la pena aumentar, disminuir o mantener lo mismo. Utilizando el análisis de regresión, usted sería capaz de ver si hay una relación entre las dos variables. Una correlación positiva implicaría que cuanto más gastas en marketing en redes sociales, más ingresos de ventas haces. Ninguna correlación en absoluto podría sugerir que el marketing en redes sociales no tiene ninguna relación con sus ventas. Comprender la relación entre estas dos variables le ayudaría a tomar decisiones informadas sobre el presupuesto de las redes sociales en el futuro. Sin embargo: Es importante tener en cuenta que, por su cuenta, las regresiones sólo se pueden utilizar para determinar si hay o no una relación entre un conjunto de variables, no te dicen nada sobre causa y efecto. Así que, si bien una correlación positiva entre el gasto en redes sociales y los ingresos por ventas puede sugerir que uno impacta al otro, es imposible sacar conclusiones definitivas basándose únicamente en este análisis.

Hay muchos tipos diferentes de análisis de regresión, y el modelo que utilice depende del tipo de datos que tenga para la variable dependiente. Por ejemplo, su variable dependiente puede ser continua (es decir. algo que se puede medir en una escala continua, como los ingresos de ventas en USD), en cuyo caso se utilizaría un tipo diferente de análisis de regresión que si su variable dependiente era de naturaleza categórica (es decir. que comprende valores que pueden clasificarse en una serie de grupos distintos basados en una determinada característica, como la ubicación del cliente por continente). Usted puede aprender más sobre diferentes tipos de variables dependientes y cómo elegir el análisis de regresión adecuado en esta guía .

b. Simulación de Monte Carlo

Al tomar decisiones o tomar ciertas acciones, hay una gama de resultados posibles diferentes. Si tomas el autobús, podrías quedarte atascado en el tráfico. Si caminas, podrías quedar atrapado en la lluvia o chocarte con tu vecino hablador, potencialmente retrasando tu viaje. En la vida cotidiana, tendemos a sopesar brevemente los pros y los contras antes de decidir qué acción tomar; sin embargo, cuando las apuestas son altas, es esencial calcular, con la mayor precisión y precisión posible, todos los riesgos y recompensas potenciales.

La simulación de Monte Carlo, también conocida como el método de Monte Carlo, es una técnica computarizada utilizada para generar modelos de posibles resultados y sus distribuciones de probabilidad. Considera esencialmente una gama de posibles resultados y luego calcula cuán probable es que cada resultado en particular se realice. El método de Monte Carlo es utilizado por los analistas de datos para realizar análisis de riesgo avanzados, lo que les permite predecir mejor lo que podría suceder en el futuro y tomar decisiones en consecuencia.

Entonces, ¿cómo funciona la simulación de Monte Carlo, y qué puede decirnos? Para ejecutar una simulación de Monte Carlo, comenzará con un modelo matemático de sus datos, como una hoja de cálculo. Dentro de su hoja de cálculo, tendrá una o varias salidas que le interesan; ganancias, por ejemplo, o el número de ventas. También tendrá un número de entradas; estas son variables que pueden afectar a su variable de salida. Si usted está buscando en el beneficio, los insumos relevantes podrían incluir el número de ventas, el gasto total de marketing, y los salarios de los empleados. Si supieras los valores exactos y definitivos de todas tus variables de entrada, serías fácilmente capaz de calcular con qué beneficio te quedarías al final. Sin embargo, cuando estos valores son inciertos, una simulación de Monte Carlo le permite calcular todas las opciones posibles y sus probabilidades. ¿Cuál será su beneficio si usted hace 100.000 ventas y contrata cinco nuevos empleados con un salario de $50,000 cada uno? ¿Cuál es la probabilidad de este resultado? ¿Cuál será su beneficio si sólo hace 12.000 ventas y contrata a cinco nuevos empleados? Y así sucesivamente. Hace esto reemplazando todos los valores inciertos con funciones que generan muestras aleatorias a partir de distribuciones determinadas por usted, y luego ejecutando una serie de cálculos y recalculaciones para producir modelos de todos los resultados posibles y sus distribuciones de probabilidad. El método Monte Carlo es una de las técnicas más populares para calcular el efecto de variables impredecibles en una variable de salida específica, por lo que es ideal para el análisis de riesgos.

c. Análisis de factores

El análisis factorial es una técnica utilizada para reducir un gran número de variables a un menor número de factores. Funciona sobre la base de que múltiples variables separadas y observables se correlacionan entre sí porque todas ellas están asociadas con un constructo subyacente. Esto es útil no sólo porque condensa grandes conjuntos de datos en muestras más pequeñas y manejables, sino también porque ayuda a descubrir patrones ocultos. Esto le permite explorar conceptos que no se pueden medir u observar fácilmente, como la riqueza, la felicidad, la aptitud física o, para un ejemplo más relevante para el negocio, la lealtad y satisfacción del cliente.

Imaginemos que desea conocer mejor a sus clientes, por lo que envía una encuesta bastante larga que comprende un centenar de preguntas. Algunas de las preguntas se refieren a cómo se sienten acerca de su empresa y producto; por ejemplo, “¿Nos recomendaría a un amigo?” y “¿Cómo calificaría la experiencia general del cliente?” Otras preguntas hacen cosas como “¿Cuál es su ingreso familiar anual?” y “¿Cuánto está dispuesto a gastar en cuidado de la piel cada mes?”

Una vez que tu encuesta ha sido enviada y completada por muchos clientes, terminas con un gran conjunto de datos que esencialmente te dice cien cosas diferentes sobre cada cliente (suponiendo que cada cliente da cien respuestas). En lugar de analizar cada una de estas respuestas (o variables) individualmente, se puede utilizar el análisis de factores para agruparlos en factores que pertenecen juntos, en otras palabras, para relacionarlos con un único constructo subyacente. En este ejemplo, el análisis de factores funciona encontrando ítems de la encuesta que están fuertemente correlacionados. Esto se conoce como covarianza . Por lo tanto, si hay una fuerte correlación positiva entre los ingresos de los hogares y cuánto están dispuestos a gastar en cuidado de la piel cada mes (es decir,. a medida que uno aumenta, al igual que el otro), estos ítems pueden agruparse. Junto con otras variables (respuestas de la encuesta), puede encontrarse que pueden reducirse a un solo factor, como el “poder adquisitivo del consumidor”. Del mismo modo, si una calificación de experiencia del cliente de 10/10 se correlaciona fuertemente con las respuestas “sí” con respecto a la probabilidad de recomendar su producto a un amigo, estos artículos pueden reducirse a un solo factor, como la “satisfacción del cliente”.

Al final, usted tiene un número menor de factores en lugar de cientos de variables individuales. Estos factores se llevan adelante para un análisis más profundo, lo que le permite aprender más acerca de sus clientes (o cualquier otra área que esté interesado en explorar).

d. Análisis de cohortes

El análisis de cohortes se define en Wikipedia de la siguiente manera: “El análisis de cohortes es un subconjunto de análisis de comportamiento que toma los datos de un conjunto de datos dado y en lugar de considerar a todos los usuarios como una unidad, los divide en grupos relacionados para el análisis. Estos grupos relacionados, o cohortes, generalmente comparten características o experiencias comunes dentro de un periodo de tiempo definido.”

Entonces, ¿qué significa esto y por qué es útil? Desglosemos más la definición anterior. Una cohorte es un grupo de personas que comparten una característica (o acción) común durante un período de tiempo determinado. Los estudiantes que se matricularon en la universidad en 2020 pueden denominarse cohorte 2020. Los clientes que compraron algo de su tienda online a través de la aplicación en el mes de diciembre también pueden ser considerados una cohorte.

Con el análisis de cohortes, usted está dividiendo a sus clientes o usuarios en grupos y mirando cómo estos grupos se comportan con el tiempo. Por lo tanto, en lugar de mirar una sola instantánea aislada de todos sus clientes en un momento dado en el tiempo (con cada cliente en un punto diferente en su viaje), usted está examinando el comportamiento de sus clientes en el contexto del ciclo de vida del cliente. Como resultado, usted puede empezar a identificar patrones de comportamiento en varios puntos en el viaje del cliente, digamos, desde su primera visita a su sitio web, hasta el registro del boletín de email, hasta su primera compra, y así sucesivamente. Como tal, el análisis de cohortes es dinámico, lo que le permite descubrir información valiosa sobre el ciclo de vida del cliente.

Esto es útil porque permite a las empresas adaptar su servicio a segmentos específicos de clientes (o cohortes). Imaginemos que usted ejecuta una campaña de descuento del 50% con el fin de atraer a nuevos clientes potenciales a su sitio web. Una vez que hayas atraído a un grupo de nuevos clientes (una cohorte), querrás rastrear si realmente compran algo y, si lo hacen, si (y con qué frecuencia) hacen una compra repetida. Con estas ideas, usted comenzará a obtener una mejor comprensión de cuándo esta cohorte en particular podría beneficiarse de otra oferta de descuento o retargeting anuncios en las redes sociales, por ejemplo. En última instancia, el análisis de cohortes permite a las empresas optimizar sus ofertas de servicios (y marketing) para proporcionar una experiencia más específica y personalizada. Usted puede aprender más sobre cómo ejecutar el análisis de cohortes usando Google Analytics aquí .

e. Análisis de los grupos temáticos

El análisis de clusters es una técnica exploratoria que busca identificar estructuras dentro de un conjunto de datos. El objetivo del análisis de clusters es clasificar diferentes puntos de datos en grupos (o clusters) que son internamente homogéneos y heterogéneos desde el exterior. Esto significa que los puntos de datos dentro de un cluster son similares entre sí, y diferentes a los puntos de datos en otro cluster. El agrupamiento se utiliza para obtener información sobre cómo se distribuyen los datos en un conjunto de datos dado, o como un paso de preprocesamiento para otros algoritmos.

Hay muchas aplicaciones del mundo real del análisis de clusters. En la comercialización, el análisis de clusters se utiliza comúnmente para agrupar una gran base de clientes en segmentos distintos, lo que permite un enfoque más específico de la publicidad y la comunicación. Las compañías de seguros podrían utilizar el análisis de grupos para investigar por qué ciertos lugares están asociados con un elevado número de reclamaciones de seguros. Otra aplicación común es la geología, donde los expertos utilizarán el análisis de clusters para evaluar qué ciudades tienen mayor riesgo de terremotos (y así tratar de mitigar el riesgo con medidas de protección).

Es importante tener en cuenta que, si bien el análisis de clusters puede revelar estructuras dentro de sus datos, no explicará por qué esas estructuras existen. Con eso en mente, el análisis de clusters es un punto de partida útil para entender sus datos e informar más análisis. Los algoritmos de agrupamiento también se utilizan en el aprendizaje automático. Más información sobre el clúster en el aprendizaje automático aquí .

f. Análisis de series cronológicas

El análisis de series temporales es una técnica estadística utilizada para identificar tendencias y ciclos a lo largo del tiempo. Los datos de series temporales son una secuencia de puntos de datos que miden la misma variable en diferentes puntos en el tiempo (por ejemplo, las cifras de ventas semanales o las inscripciones mensuales por correo electrónico). Al examinar las tendencias relacionadas con el tiempo, los analistas pueden predecir cómo puede fluctuar la variable de interés en el futuro.

Al realizar el análisis de series temporales, los patrones principales que usted estará buscando en sus datos son:

Tendencias: Aumentos o disminuciones estables y lineales a lo largo de un período de tiempo prolongado.
Estacionalidad: Fluctuaciones previsibles de los datos debido a factores estacionales a lo largo de un corto período de tiempo. Por ejemplo, usted puede ver un pico en las ventas de trajes de baño en verano alrededor de la misma hora cada año.
Patrones cíclicos: Ciclos imprevisibles en los que los datos fluctúan. Las tendencias cíclicas no se deben a la estacionalidad, sino que pueden producirse como resultado de condiciones económicas o relacionadas con la industria.

Como se puede imaginar, la capacidad de hacer predicciones informadas sobre el futuro tiene un valor inmenso para los negocios. El análisis y pronóstico de series temporales se utiliza en una variedad de industrias, más comúnmente para el análisis de mercados bursátiles, pronósticos económicos y pronósticos de ventas. Hay diferentes tipos de modelos de series temporales dependiendo de los datos que está utilizando y los resultados que desea predecir. Estos modelos suelen clasificarse en tres tipos amplios: los modelos autorregresivos (AR), los modelos integrados (I) y los modelos de promedio móvil (MA). Para una mirada en profundidad en el análisis de series temporales, refiérase a nuestra guía .

g. Análisis de los sentimientos

Cuando piensas en datos, tu mente probablemente va automáticamente a números y hojas de cálculo. Muchas empresas pasan por alto el valor de los datos cualitativos, pero en realidad, hay insights indecibles que se pueden obtener de lo que la gente (especialmente los clientes) escriben y dicen sobre usted. Entonces, ¿cómo se hace para analizar los datos textuales?

Una técnica cualitativa altamente útil es análisis de sentimientos , una técnica que pertenece a la categoría más amplia de análisis de texto —el proceso (generalmente automatizado) de clasificación y comprensión de los datos textuales. Con el análisis de sentimientos, el objetivo es interpretar y clasificar las emociones transmitidas dentro de los datos textuales. Desde una perspectiva empresarial, esto le permite determinar cómo se sienten sus clientes sobre varios aspectos de su marca, producto o servicio. Hay varios tipos diferentes de modelos de análisis de sentimientos, cada uno con un enfoque ligeramente diferente. Los tres tipos principales son:

Análisis de sentimientos de grano fino: Si quieres centrarte en la polaridad de la opinión (es decir, positivo, neutro o negativo) en profundidad, el análisis de sentimientos de grano fino le permitirá hacerlo. Por ejemplo, si desea interpretar las calificaciones de estrellas dadas por los clientes, puede utilizar análisis de sentimientos de grano fino para categorizar las diversas calificaciones a lo largo de una escala que va de muy positivo a muy negativo.
Detección de emociones: Este modelo a menudo utiliza complejos algoritmos de aprendizaje automático para elegir varias emociones a partir de sus datos textuales. Usted puede utilizar un modelo de detección de emociones para identificar palabras asociadas con la felicidad, la ira, la frustración y la emoción, dándole una visión de cómo sus clientes se sienten al escribir sobre usted o su producto en, por ejemplo, un sitio de revisión del producto.
Análisis del sentimiento basado en el aspecto: Este tipo de análisis le permite identificar a qué aspectos específicos se relacionan las emociones u opiniones, como una determinada característica del producto o una nueva campaña publicitaria. Si un cliente escribe que “encontrar el nuevo anuncio de Instagram tan molesto”, su modelo debe detectar no sólo un sentimiento negativo, sino también el objeto hacia el que se dirige.

En pocas palabras, el análisis de sentimientos utiliza varios sistemas y algoritmos de Procesamiento del Lenguaje Natural (NLP) que están entrenados para asociar ciertas entradas (por ejemplo, ciertas palabras) con ciertas salidas. Por ejemplo, el input “annoying” se reconocería y etiquetaría como “negativo”. El análisis de sentimientos es crucial para entender cómo sus clientes se sienten acerca de usted y sus productos, para identificar áreas de mejora, e incluso para evitar desastres de relaciones públicas en tiempo real!

4. El proceso de análisis de datos

Para obtener información significativa de los datos, los analistas de datos llevarán a cabo un riguroso proceso paso a paso. Repasamos esto en detalle en nuestro Guía paso a paso del proceso de análisis de datos —pero, para resumir brevemente, el proceso de análisis de datos consta generalmente de las siguientes fases:

Definición de la cuestión

El primer paso para cualquier analista de datos será definir el objetivo del análisis, a veces llamado una «declaración de problema». Esencialmente, usted está haciendo una pregunta con respecto a un problema de negocios que está tratando de resolver. Una vez que haya definido esto, entonces tendrá que determinar qué fuentes de datos le ayudará a responder a esta pregunta.

Recopilación de los datos

Ahora que ha definido su objetivo, el siguiente paso será establecer una estrategia para recopilar y agregar los datos apropiados. ¿Utilizará datos cuantitativos (numéricos) o cualitativos (descriptivos)? ¿Estos datos encajan en datos de primera, segunda o tercera parte?

Limpieza de los datos

Desafortunadamente, sus datos recopilados no están automáticamente listos para el análisis, primero tendrá que limpiarlos. Como analista de datos, esta fase del proceso tomará la mayor parte del tiempo. Durante el proceso de limpieza de datos, es probable que usted sea:

Eliminar errores importantes, duplicados y valores atípicos
Eliminación de puntos de datos no deseados
Estructurar los datos, es decir, corregir errores tipográficos, problemas de diseño, etc.
Rellenar las principales lagunas en los datos

Análisis de los datos

Ahora que hemos terminado de limpiar los datos, ¡es hora de analizarlos! Muchos métodos de análisis ya se han descrito en este artículo, y depende de usted decidir cuál será el que mejor se adapte al objetivo asignado. Podrá clasificarse en una de las siguientes categorías:

Análisis preceptivo , que le permite hacer recomendaciones para el futuro

Visualizar y compartir sus hallazgos

¡Estamos casi al final del camino! Se han hecho análisis, se han obtenido ideas, todo lo que queda por hacer es compartir esta información con otros. Esto generalmente se hace con una herramienta de visualización de datos, como Google Charts o Tableau.

Para resumir el proceso, Will’s lo explicó todo excelentemente en el siguiente video:

5. Las mejores herramientas para el análisis de datos

Como se puede imaginar, cada fase del proceso de análisis de datos requiere que el analista de datos tenga una variedad de herramientas bajo su cinturón que ayuden a obtener información valiosa de los datos. Cubrimos estas herramientas con mayor detalle en este artículo , pero, en resumen, aquí está nuestra mejor-de-la-mejor lista, con enlaces a cada producto:

Las 9 mejores herramientas para analistas de datos

6. Para llevar y leer más

Como puede ver, hay muchas técnicas de análisis de datos diferentes a su disposición. Para convertir sus datos brutos en información procesable, es importante considerar qué tipo de datos tiene (¿es cualitativo o cuantitativo?). así como los tipos de ideas que serán útiles dentro del contexto dado. En este post, hemos introducido siete de las técnicas de análisis de datos más útiles, ¡pero hay muchas más por descubrir!

¿Y ahora qué? Si aún no lo has hecho, te recomendamos leer los estudios de caso para cada técnica de análisis discutida en este post (encontrarás un enlace al final de cada sección). Para una introducción más práctica a los tipos de métodos y técnicas que utilizan los analistas de datos, prueba este curso breve de introducción gratuita de análisis de datos. Mientras tanto, es posible que también desee leer lo siguiente:

Análisis de datos

Originaria de Inglaterra, Emily se mudó a Berlín después de estudiar francés y alemán en la universidad. Ha pasado los últimos siete años trabajando en startups de tecnología, inmersa en el mundo de la UX y el pensamiento de diseño. Además de escribir para el blog CareerFoundry, Emily ha contribuido regularmente a varias publicaciones de diseño líderes en la industria, incluyendo el blog InVision, UX Planet y Adobe XD Ideas.

¿Qué es CareerFoundry?

CareerFoundry es una escuela en línea para personas que buscan cambiar a una carrera gratificante en tecnología. Selecciona un programa, hazte emparejar con un mentor y tutor experto, y conviértete en un diseñador, desarrollador o analista listo para trabajar desde cero, o recupera tu dinero.